机器学习优化生物标志物组合决策树模型在羊肉溯源认证中的创新应用

本研究针对肉类溯源中单一生物标志物可靠性不足的行业痛点，创新性地应用决策树(DT)和随机森林(RF)算法，通过分析19种脂肪/肌肉组织指标（含PF skatole含量和AVMIPF 等），成功建立准确率达95.1%的牧场饲养羊肉鉴别模型，为肉类真实性认证提供了可量化决策阈值和标准化技术路径。

　　

在食品真实性认证领域，牧场饲养肉类的鉴别一直是技术难点。当前主要依赖单一生物标志物如脂肪酸组成或类胡萝卜素含量，但科学界普遍认为这些指标存在易受干扰、个体差异大等局限性。传统检测方法既无法满足工业化检测需求，也缺乏明确的决策阈值标准，导致市场监管和高端肉品认证缺乏可靠技术支撑。

针对这一挑战，法国农业食品与环境研究院（INRAE）的Lucille Rey-Cadilhac和Sophie Prache团队在《Meat Science》发表创新研究，首次将机器学习中的决策树（DT）和随机森林（RF）算法应用于羊肉生产系统认证。研究人员以34-36头罗曼尼（Romane）公羔羊为样本，构建包含肾周脂肪（PF）、背脂（DF）和腰最长肌（LTL）等组织的19项生物标志物数据库，通过CART算法开发出四种应用场景的鉴别模型。

关键技术方法包括：1）建立含PF skatole含量、脂肪反射光谱AVMI值等19变量的多组织数据库；2）采用70:30比例划分训练集/测试集；3）开发基于不同组织（全指标PF/DF/LTL组合或单一组织）和检测场景（实验室分析或屠宰场快速检测）的四种决策树模型；4）通过随机森林验证模型稳定性；5）采用Gini指数评估变量重要性并确定分类阈值。

研究结果方面：

1. 牧场饲养时长认证：四分类模型（0d/21d/42d/63d）准确率仅33%-57%，显示现有标志物无法有效区分不同牧场饲养时长。但值得注意的是，模型对完全舍饲羔羊（0d组）的识别准确率达100%。

2. 牧场/舍饲二元认证：

• 全指标模型（DT1/RF1）：结合PF skatole（阈值0.045μg/g）和AVMI_PF
  （阈值116单位），准确率达95.1%，仅3.2%牧场羊被误判。
• 屠宰场快速检测模型（DT3）：仅用PF光谱指标（AVMI_PF
  ≥187单位或L^*
  _PF
  ≥75且AVMI_PF
  ≥115单位），准确率90.2%。
• 销售端模型（DT4）：基于DF的AVMI_DF
  （阈值139单位）和a^*
  值，准确率85.4%，但舍饲羊误判率升至30%。

1. 标志物重要性排序：随机森林验证显示PF skatole和AVMI_PF
   始终位居变量重要性前列，而DF光谱指标在销售端模型中贡献度最高。

结论与讨论部分指出，该研究首次实现三大突破：1）建立可解释的肉类认证决策树框架，提供明确的生物标志物阈值（如AVMI_PF
≥116单位）；2）证实PF组织检测的优越性，其skatole与类胡萝卜素组合的鉴别力超过其他组织指标；3）开发出适用于不同产业链环节（屠宰场85.4%-95.1%准确率、销售端84.3%准确率）的梯度化认证方案。尽管当前模型对牧场饲养时长的鉴别力有限，但研究者建议未来可整合脂肪酸组成、挥发性化合物等更多元化指标。该成果为肉类真实性认证提供了兼具科学严谨性和商业可行性的技术范式，特别对高附加值草饲肉品的品质监管和品牌建设具有重要实践意义。